python

[머신러닝] 첫번째 머신러닝 프로그램 - KNN(k-최근접 이웃) 알고리즘 도미방어 구분하기

datadeveloper 2022. 4. 4. 08:32
반응형

첫번째 머신러닝 프로그램 - KNN(k-최근접 이웃) 알고리즘 도미방어 구분하기

 

1) 도미의 길이, 무게 데이터

bream_length = [25.4, 26.3, 26.5, 29.0, 29.0, 29.7, 29.7, 30.0, 30.0, 30.7, 31.0, 31.0, 
                31.5, 32.0, 32.0, 32.0, 33.0, 33.0, 33.5, 33.5, 34.0, 34.0, 34.5, 35.0, 
                35.0, 35.0, 35.0, 36.0, 36.0, 37.0, 38.5, 38.5, 39.5, 41.0, 41.0]
bream_weight = [242.0, 290.0, 340.0, 363.0, 430.0, 450.0, 500.0, 390.0, 450.0, 500.0, 475.0, 500.0, 
                500.0, 340.0, 600.0, 600.0, 700.0, 700.0, 610.0, 650.0, 575.0, 685.0, 620.0, 680.0, 
                700.0, 725.0, 720.0, 714.0, 850.0, 1000.0, 920.0, 955.0, 925.0, 975.0, 950.0]
import matplotlib.pyplot as plt

plt.scatter(bream_length, bream_weight)
plt.xlabel('length')
plt.ylabel('weight')
plt.show()

 

 

2) 방어의 길이, 무게 데이터

smelt_length = [9.8, 10.5, 10.6, 11.0, 11.2, 11.3, 11.8, 11.8, 12.0, 12.2, 12.4, 13.0, 14.3, 15.0]
smelt_weight = [6.7, 7.5, 7.0, 9.7, 9.8, 8.7, 10.0, 9.9, 9.8, 12.2, 13.4, 12.2, 19.7, 19.9]
plt.scatter(bream_length, bream_weight)
plt.scatter(smelt_length, smelt_weight)
plt.xlabel('length')
plt.ylabel('weight')
plt.show()

 

 

3) 두개의 데이터 합치기

length = bream_length + smelt_length
weight = bream_weight + smelt_weight
#2차원 리스트로 만들기

fish_data = [[l,w] for l, w in zip(length,weight)]

print(fish_data)
[[25.4, 242.0], [26.3, 290.0], [26.5, 340.0], [29.0, 363.0], [29.0, 430.0], [29.7, 450.0], [29.7, 500.0], [30.0, 390.0], [30.0, 450.0], [30.7, 500.0], [31.0, 475.0], [31.0, 500.0], [31.5, 500.0], [32.0, 340.0], [32.0, 600.0], [32.0, 600.0], [33.0, 700.0], [33.0, 700.0], [33.5, 610.0], [33.5, 650.0], [34.0, 575.0], [34.0, 685.0], [34.5, 620.0], [35.0, 680.0], [35.0, 700.0], [35.0, 725.0], [35.0, 720.0], [36.0, 714.0], [36.0, 850.0], [37.0, 1000.0], [38.5, 920.0], [38.5, 955.0], [39.5, 925.0], [41.0, 975.0], [41.0, 950.0], [9.8, 6.7], [10.5, 7.5], [10.6, 7.0], [11.0, 9.7], [11.2, 9.8], [11.3, 8.7], [11.8, 10.0], [11.8, 9.9], [12.0, 9.8], [12.2, 12.2], [12.4, 13.4], [13.0, 12.2], [14.3, 19.7], [15.0, 19.9]]
 
# 도미 1, 빙어 0

fish_target = [1] * 35 + [0] * 14
print(fish_target)
[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
 
 
 
4) 여기부터 시작.. k-최근접 이웃 알고리즘
# k-최근접 이웃 알고리즘
from sklearn.neighbors import KNeighborsClassifier

kn = KNeighborsClassifier()

kn.fit(fish_data,fish_target) # fit() : 주어진 데이터로 알고리즘을 훈련시킨 뒤 훈련

kn.score(fish_data,fish_target) # 1.0 정확도 100%

kn.predict([[30,600]]) # predict : 새로운 데이터의 정답을 예측
array([1])
kn49 = KNeighborsClassifier(n_neighbors=49) # 참고 데이터를 49개로 한 kn49 모델

kn49.fit(fish_data,fish_target)
kn49.score(fish_data, fish_target) # 0.7142857142857143
 
총 데이터 갯수가 49개인데 그 중 35개가 도미임.
최근접갯수를 49개로 한다는 것은 새로운 데이터가 들어왔을 때 49개의 점과 거리를 계산해서 더 많이 선정된 것으로 구별하겠다는 뜻.
어떤 데이터가 들어와도 도미로 판별됨. 따라서 49개의 데이터로 확인한 정확도는 35/49 인 0.7142 가 나옴
 

 

5) n_neighbors 의 기본값을 5부터 49까지 바꾸어 가며 점수가 1.0 아래로 내려가기 시작하는 이웃의 갯수 찾기
(정확도가 100%가 깨지는 순간의 n 설정 갯수 찾기)

Chapter01 확인 문제를 풀어보았다.

 

# k최근접 이웃 개수 설정
kn = KNeighborsClassifier()
kn.fit(fish_data, fish_target)

for n in range(5,50) :
  # k-최근접 이웃 개수 설정
  kn.n_neighbors = n # 참고 데이터를 n 개로 한 kn49 모델
  # 점수 계산
  score = kn.score(fish_data, fish_target)

  print(n,score)
  # 100% 정확도에 미치지 못하는 이웃 개수 출력
  if score <1:
    print(n,score)
    break
5 1.0
6 1.0
7 1.0
8 1.0
9 1.0
10 1.0
11 1.0
12 1.0
13 1.0
14 1.0
15 1.0
16 1.0
17 1.0
18 0.9795918367346939
18 0.9795918367346939

정답은 18. 18개를 비교할때부터 100%가 깨진다. 

반응형